Moirai : Transformer universel pour la prévision de séries temporelles
Moirai est un modèle de fondation pour la prévision universelle de séries temporelles, introduit par Gerald Woo et ses collègues chez Salesforce Research en 2024 et présenté à l'ICML. L'idée centrale est de pré-entraîner un unique grand Transformer sur un corpus exceptionnellement diversifié de données de séries temporelles (LOTSA) couvrant de nombreux domaines et fréquences, permettant ainsi des prévisions en mode zéro-coup (zero-shot) et peu de coups (few-shot) sur des jeux de données inédits, sans réentraînement spécifique à la tâche. Moirai emploie une tokenisation basée sur des patchs, une attention toute-variable (any-variate attention) et une tête de sortie à mélange de distributions pour gérer les fréquences variables, les multiples variables et la prédiction probabiliste dans une architecture unifiée.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/fr/deep-learning/moirai
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ChronosApprentissage profond↔ compare
- PatchTSTApprentissage profond↔ compare
- TimesFMApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →